論文の概要: Concept explainability for plant diseases classification

• arxiv url: http://arxiv.org/abs/2309.08739v1
• Date: Fri, 15 Sep 2023 19:57:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-19 19:45:16.235460
• Title: Concept explainability for plant diseases classification
• Title（参考訳）: 植物疾患分類における概念説明可能性
• Authors: Jihen Amara, Birgitta K\"onig-Ries, Sheeba Samuel
• Abstract要約: 植物病は食料の安全と農業の持続可能性にとって重大な脅威である。 本研究では,概念活性化ベクトルを用いたテスト(TCAV)と呼ばれる手法を,画素からユーザ定義概念へ焦点を移す手法として展開する。 その結果, 概念に基づく説明手法は, 植物病の自動同定に有効であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Plant diseases remain a considerable threat to food security and agricultural sustainability. Rapid and early identification of these diseases has become a significant concern motivating several studies to rely on the increasing global digitalization and the recent advances in computer vision based on deep learning. In fact, plant disease classification based on deep convolutional neural networks has shown impressive performance. However, these methods have yet to be adopted globally due to concerns regarding their robustness, transparency, and the lack of explainability compared with their human experts counterparts. Methods such as saliency-based approaches associating the network output to perturbations of the input pixels have been proposed to give insights into these algorithms. Still, they are not easily comprehensible and not intuitive for human users and are threatened by bias. In this work, we deploy a method called Testing with Concept Activation Vectors (TCAV) that shifts the focus from pixels to user-defined concepts. To the best of our knowledge, our paper is the first to employ this method in the field of plant disease classification. Important concepts such as color, texture and disease related concepts were analyzed. The results suggest that concept-based explanation methods can significantly benefit automated plant disease identification.
• Abstract（参考訳）: 植物病は食品の安全と農業の持続性にとって大きな脅威である。 これらの疾患の迅速かつ早期の同定は、グローバルデジタル化の増大と、ディープラーニングに基づくコンピュータビジョンの最近の進歩に依存するいくつかの研究のモチベーションとなっている。 実際、深い畳み込みニューラルネットワークに基づく植物病の分類は素晴らしいパフォーマンスを示している。 しかしながら、これらの手法は、その堅牢性、透明性、説明可能性の欠如に対する懸念から、まだ世界中で採用されていない。 入力画素の摂動にネットワーク出力を関連付けるサリエンシに基づくアプローチなどの手法が提案され,これらのアルゴリズムの知見が得られた。 それでも、それらは容易に理解できないし、人間のユーザーにとって直感的でもない。 本研究では,概念活性化ベクトルを用いたテスト(TCAV)と呼ばれる手法を,画素からユーザ定義概念へ焦点を移す。 我々の知る限りでは,本手法を植物病の分類の分野で最初に活用したのは本論文である。 色,テクスチャ,疾患関連概念などの重要な概念を分析した。 その結果, 概念に基づく説明手法は, 植物病の自動同定に有効であることが示唆された。

関連論文リスト

• Epidemiology-informed Network for Robust Rumor Detection [59.89351792706995]
  本稿では, 疫学知識を統合し, 性能を高めるための新しい疫学情報ネットワーク(EIN)を提案する。 疫学理論をうわさ検出に適応させるため,各利用者が情報源情報に対する姿勢を付加することが期待されている。 実験結果から,提案したEINは実世界のデータセット上で最先端の手法より優れるだけでなく,樹木の深度にまたがる堅牢性も向上することが示された。
  論文  参考訳（メタデータ） (2024-11-20T00:43:32Z)
• Small data deep learning methodology for in-field disease detection [6.2747249113031325]
  本稿では,ポテト作物の遅発症状を軽度に検出できる最初の機械学習モデルを提案する。 提案手法は, 焦点損失関数を持つ深部畳み込みニューラルネットワークをベースとした, パッチ方式による高分解能画像の高精細化を実現する。 本モデルでは, 早期症状の同定に高い精度と有効性を示した。
  論文  参考訳（メタデータ） (2024-09-25T17:31:17Z)
• DARE: Towards Robust Text Explanations in Biomedical and Healthcare Applications [54.93807822347193]
  帰属ロバスト性評価手法を与えられたドメインに適応させ、ドメイン固有の妥当性を考慮する方法を示す。 次に,DAREが特徴とする脆さを軽減するために,対人訓練とFAR訓練の2つの方法を提案する。 最後に,確立した3つのバイオメディカル・ベンチマークを用いて実験を行い,本手法を実証的に検証した。
  論文  参考訳（メタデータ） (2023-07-05T08:11:40Z)
• Explainable vision transformer enabled convolutional neural network for plant disease identification: PlantXViT [11.623005206620498]
  植物病は世界の作物の損失の主な原因であり、世界経済に影響を及ぼす。 本研究では、植物病の同定のために、ビジョントランスフォーマーにより「PlantXViT」と呼ばれる畳み込みニューラルネットワークモデルが提案される。 提案したモデルは、わずか0.8万のトレーニング可能なパラメータを持つ軽量な構造であり、IoTベースのスマート農業サービスに適している。
  論文  参考訳（メタデータ） (2022-07-16T12:05:06Z)
• A Survey on Masked Facial Detection Methods and Datasets for Fighting Against COVID-19 [64.88701052813462]
  新型コロナウイルス感染症2019(COVID-19)は、感染拡大以来、世界にとって大きな課題となっている。 この病気と闘うために、一連の人工知能(AI)技術が開発され、現実世界のシナリオに適用される。 本稿では主に、マスク付き顔検出と関連するデータセットのAI技術に焦点を当てる。
  論文  参考訳（メタデータ） (2022-01-13T03:28:20Z)
• Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging [63.62764375279861]
  本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。 マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。 本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
  論文  参考訳（メタデータ） (2021-12-20T13:29:13Z)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。 緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。 ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)
• Achieving Explainability for Plant Disease Classification with Disentangled Variational Autoencoders [0.0]
  分類タスクなどの意思決定で使用されるロジックや機能を知ることは、検証、アルゴリズムの改善、データ改善のトレーニング、知識抽出などにおいて非常に重要です。 我々は,最も重要な特徴の位置だけでなく,その特徴のどのバリエーションが使われているかを示す,変分オートエンコーダアーキテクチャに基づく分類手法を開発した。 提案手法は,いくつかの作物の病原性診断に有用であるが,他の作物にも適用可能である。
  論文  参考訳（メタデータ） (2021-02-05T10:04:00Z)
• Plant Diseases recognition on images using Convolutional Neural Networks: A Systematic Review [0.2793095554369281]
  植物病は、食品生産に影響を及ぼし、生産損失を最小化させる主要な要因の1つと考えられている。 深層学習法は植物病の検出に応用され、高い精度で堅牢なツールを提供する。 本研究は,植物病の同定・分類過程において,畳み込みニューラルネットワークを用いた技術の現状を明らかにすることを目的とした文献の体系的なレビューを行う。
  論文  参考訳（メタデータ） (2020-09-09T15:36:04Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。